### 如何在 Jupyter Notebook 中使用 Gurobi 求解器 为了能够在 Jupyter Notebook 中利用 Python 编写代码并调用 Gurobi 求解器来解决问题，需遵循一系列设置步骤。 #### 安装准备 确保已按照官方指南完成 Gurobi 的下载与安装，并成功激活相应的许可协议[^4]。对于 Python 环境而言，在 Anaconda 或其他环境中可通过 `pip` 工具安装 gurobipy 库以便于后续操作： ```bash pip install gurobipy ``` #### 构建模型实例 创建一个新的 Jupyter Notebook 文件作为工作区。在此文件内定义线性规划或其他类型的最优化问题的具体参数，比如目标函数的系数矩阵等数据结构。这里展示了一个简单的例子用于说明如何初始化这些变量： ```python import numpy as np # 假设 d_set 和 c_set 是预先给定的数据集 d_set = [1, 2, 3] c_set = [[1, 2], [3, 4], [5, 6]] # 将 d_i 和 c_ij 相乘得到新的系数矩阵 coefficient_matrix = np.zeros((len(d_set), len(c_set[0]))) for i in range(len(d_set)): for j in range(len(c_set[0])): coefficient_matrix[i][j] = d_set[i] * c_set[i][j] print(coefficient_matrix) ``` 上述代码片段展示了如何构建目标函数所需的系数矩阵[^1]。 #### 使用 Gurobi 创建并求解模型 引入必要的模块之后就可以着手建立实际的数学模型了。下面给出了一段示范性的脚本，它演示了怎样借助 Gurobi 来设定约束条件、指定决策变量及其上下限范围，最后执行求解过程： ```python from gurobipy import Model, GRB # 初始化一个新模型对象 model = Model('example') # 添加二元决策变量 x_{ij} rows, cols = coefficient_matrix.shape vars = model.addVars(rows, cols, vtype=GRB.BINARY) # 设置目标函数为最小化总成本 obj_expr = sum(coefficient_matrix[i][j] * vars[i,j] for i in range(rows) for j in range(cols)) model.setObjective(obj_expr, GRB.MINIMIZE) # （可选）添加额外的约束条件... # 这里省略具体实现细节... # 更新模型以反映所有更改 model.update() # 开始计算最优解方案 model.optimize() ``` 这段程序首先导入了来自 `gurobipy` 包的关键类；接着声明了一个名为 "example" 的空白模型实体；随后通过循环迭代的方式向其中加入了一系列布尔型 (binary) 变量代表各个可能的选择项；紧接着指定了整个系统的总体费用表达式作为待极小化的准则；如果存在特定的应用场景，则可以继续追加更多限定条款；最终触发 solver 执行全局寻优任务。